源码
机器学习与移动端会碰出怎样的火花？
投稿者最近iOS11更新对AR技术的应用支持达到前所未有，德勤《2017科技、传媒和电信行业预测》报告中表示移动端机器学习是即将到来的浪潮，请问从应用层分析，它可以为我们带来怎样的体验？
谢邀，和大家分享一篇KDD Exploration 2016年12月的一篇有关移动端机器学习的论文：Supervised Learning Techniques in Mobile Device Apps for Androids，中文翻译过来叫做“有监督机学习在Android移动设备上的应用”。这篇文章写的比较朴实，没有阅读障碍，推荐大家不妨一读。
1. 为什么移动设备适合做机器学习？
结合个人经验和文章，我认为主要取决于：
普及率高：大量新闻和报告[1]中都提到，美国在2016年的智能机普及率以及高于80%，而韩国的智能手机普及率已经超过85%。手机普及率已经和家用电脑的普及率接近，美国的家用电脑普及率是85.1%[2]，甚至在某些国家智能手机普及率更高。
便携性高：人们可以轻松的使用便携性设备，如智能手机、手表等。便携性使得使用场景很广，无论是在家出门还是躺在床上都可以使用。考虑到台式和便携式电脑的重量、续航等原因，移动端的便携性使其很有优势。
传感器多：和电脑相比，手机上的传感器更多，比如摄像头、重力感应、蓝牙、摄像头、GPS、测速器等。这使得手机更像是人体的延伸，使其有了更多机器学习的应用场景。
符合现代生活习惯：随着便携设备的发展，从电脑端到移动端的迁移势不可挡。2014年百度移动端搜索超过PC，这个趋势也会在机器学习领域重演。
2. 移动端有什么机器学习应用？
文章中介绍了不同领域的6个应用，挑3个有趣的和大家分享。
2.1. WalkSafe - “帮助你更好的过马路”
现代都市人都习惯手不离机，都是“低头族”，但这在过马路的非常危险。2012年的一篇论文（WalkSafe）提出了将机器学习应用于手机端，通过摄像头来自动识别向你驶来的汽车，并使用震动来提醒你有车危险。
不同角度下app对于汽车的识别
这个应用不仅适用于低头族，也适合视弱或者盲人朋友，可以和红绿灯提示音一起结合提高过马路的安全性。有兴趣的朋友可以下载安装试试。换个角度思考，这其实和无人车是有一点点相似的，都是利用传感器收集数据进行分析并作出决定。
2.2. Watermelon Classify - “西瓜熟了吗？”
苏黎世联邦理工大学的学者们在2014年进行了一项研究[3]，用手机收集敲西瓜的声音来分析西瓜是否熟了吗。西瓜百分之九十都是水，糖分等成分的比例不同会决定拍生瓜和熟瓜的声音各不相同。
他们使用了语音处理方法训练了一个支持向量机(SVM)，实现了89.9%的预测准确率。换个角度来看，卖瓜大叔们其实就是一个个分类器。所以如果你们想不再被大叔们忽悠，可以试试下载这个应用来用手机测试西瓜的成熟度。示意图如下...
APP使用示例图
虽然配图看着很萌，但其实核心还是生瓜熟瓜在拍击下的声音频率不同。如下图所示，上半部分是熟瓜而下半部分是生瓜。
熟瓜(上图)和生瓜(下图)的声音频率对比
2.3. 睡眠紊乱检测 - “你睡得好吗？”
2015年的时候，德州大学阿林顿分校的研究人员开发了一个跨平台的程序来检测使用者的睡眠质量[4]，用于早起疾病诊断和自我分析。这个项目中，研究人员使用了机器视觉和机器学习来对睡眠多态进行跟踪，结合压力传感床垫和手机摄像头，他们可以对睡眠姿态进行收集并分析。
示意图
通过非侵入的手段，这个app可以对收集到的数据进行分析，能帮助医生更好的诊断早发病例。但这个app也收到两极的评价，因为使用比较复杂导致大部分用户无法很好的使用。
2.4. 其他移动端应用
文章中还介绍了其他有趣的机器学习应用：
软件使用预测：根据用户习惯只能推测你将要使用的下一个app，苹果也有类似的功能。
恶意软件检测：使用机器学习来提高移动端的恶意软件检出率。
即时房价预测：使用手机即时预测伦敦房价走势。
3. 机器学习在移动端的特点？
文章统计了移动端机器学习的研究发展，发现2008年的相关论文发表数达到顶峰，之后进入了平缓下降。作者推测这是因为2008年是智能机大热的年份，因此导致了论文激增。我认为这也带来一个思考：移动端的机器学习发展离不开硬件发展，这个规律和电脑端是一样的。
移动端+机器学习 相关论文发表数
受到硬件的限制，现在的手机运算能力有限，这会影响到：
即时反应速度受到限制。在需要高精度任务时可能存在问题。比如对驶来的汽车进行识别这很重要。
模型滞后性。移动端的机器学习模型往往是训练好的模型，只进行预测，而训练过程是在线下的。
只能使用较为简单的模型和使用较少的数据。比如文中介绍的所有应用都不包括深度学习模型，均为相对简单的模型如朴素贝叶斯，支持向量机，浅层神经网络等。
除此之外，续航能力也值得我们关注。在大量使用传感器如摄像头的情况下，耗电量使得这类应用的使用场景受限。归根结底，这也属于硬件方向需要克服的问题。
换个角度看，移动端的数据安全和隐私也是学术界和工业界要一起面对的问题。比如文中提到的有关医疗健康的数据，是否可以上传到云端，厂家是否可以使用这都是道德问题。越来越多的厂商都意识到了这一点的重要性，比如苹果的识别会保证你的信息储存在本地。
4. 展望未来
和电脑端的发展一样，移动端的机器学习发展还是要依赖硬件进步，不然只是空中楼阁。好在越来越多的厂商已经在此布局，比如谷歌开发的AI芯片和TPU，苹果在移动处理器上的科研投入等。
相较于电脑，手机的应用场景更广，因为它的确是我们身体的延伸。随着硬件发展和更多传感器的应用，更加复杂的学习模型比如深度学习可以更好的在移动端发挥功效。到那个时候，各种大开脑洞的应用都不再遥远，相信这一天并不遥远 ʕ•ᴥ•ʔ
本文由 投稿者 创作，文章地址：https://blog.isoyu.com/archives/jiqixuexiyuyidongduanhuipengchuzenyangdehuohua.html
采用知识共享署名4.0 国际许可协议进行许可。除注明转载/出处外，均为本站原创或翻译，转载前请务必署名。最后编辑时间为:3 月 20, 2018 at 10:57 下午
